OpenCV-Python密集的SIFT

Question

OpenCV有very good documentation on generating SIFT descriptors，但这是“弱SIFT”的版本，其中关键点由原始Lowe algorithm检测到。 OpenCV示例的内容如下：

img = cv2.imread('home.jpg')
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

sift = cv2.SIFT()
kp = sift.detect(gray,None)
kp,des = sift.compute(gray,kp)

我正在寻找的是强/密SIFT，它不检测关键点，而是计算一组补丁（例如16x16像素，8像素填充）的SIFT描述符，将图像覆盖为网格。据我了解，在OpenCV中有两种方法可以做到这一点：

• 我可以自己在网格中划分图像，并以某种方式将这些补丁转换为KeyPoints
• 我可以使用基于网格的特征检测器

换句话说，我必须用能够提供我所需关键点的东西替换sift.detect()行。

我的问题是OpenCV文档的其余部分，特别是wrt Python，严重缺乏，所以我不知道如何实现其中任何一个。我在C ++文档中看到网格有关键点检测器，但我不知道如何从Python中使用它们。

另一种方法是切换到VLFeat，它具有非常好的DSift / PHOW实现，但意味着我必须从python切换到matlab。

有什么想法吗？感谢。

Answer 1

你可以在opencv 2.4.6＆lt;中使用Dense Sift。 按名称创建特征检测器。

  

cv2.FeatureDetector_create（detectorType）

然后"Dense"字符串代替detectorType

例如： -

dense=cv2.FeatureDetector_create("Dense")
kp=dense.detect(imgGray)
kp,des=sift.compute(imgGray,kp)

Answer 2

我不确定你的目标是什么，但要注意，SIFT描述符计算速度非常慢，并且从未设计为以密集的方式使用。话虽如此，OpenCV使这样做变得相当简单。

基本上不是使用sift.detect（），而是自己填充keypoint数组，方法是使网格成为关键点，无论它们多么密集。然后，当您将关键点传递给sift.compute（）时，将为每个关键点计算描述符。

根据图像的大小和机器的速度，这可能需要很长时间。如果copmutational时间是一个因素，我建议你看一下OpenCV提供的一些binary描述符。

Answer 3

尽管OpenCV方式成为标准，但对我来说这太慢了。所以为此，我使用了pyvlfeat，它基本上是对VL-FEAT的python绑定。这些函数具有与Matlab函数类似的语法